共计 1196 个字符，预计需要花费 3 分钟才能阅读完成。
魔法原子具身 Agent 框架拿下 MolmoSpaces 全球第一
在艾伦人工智能研究所 (AI2) 发起的具身智能零样本评测基准 MolmoSpaces 最新榜单上, 魔法原子的具身 Agent 框架 EchoPolicy-0 以 75.4% 的机器人操作平均成功率位列 Combined 榜全球第一, 覆盖全部四个 v1 任务。同一榜单、同一分组下, 自研大脑 MagicBrain 以 3.4B 的参数规模排在第四, 抓取成功率达到 94.4%。
📌 MolmoSpaces 考的是什么
MolmoSpaces 面向操作、导航与更长程的具身任务, 生态内包含超过 23 万个室内环境和约 13 万个物体资产, 为评测提供了充足的变化来源。机器人需要在不同背景、几何结构和物体分布下寻找目标, 而不是在固定演示环境里重复动作。
它的题目也带有物理难度: 既有可移动的刚体,也有带关节的交互对象, 机器人必须通过真实的仿真接触改变对象状态。基准统一给出初始场景、机器人与相机配置、任务指令和成功条件, 让零散演示变成可比较的数据。
- 评测范围:操作、导航及更长程具身任务
- 任务类型:自由物体抓取、关节物体交互、多阶段操作等
- 核心考察:零样本条件下的泛化与指令遵循
🔍 两条路线: 一个管调度, 一个管“看见”
EchoPolicy-0 的思路是把视觉语言模型、几何操作工具与通用动作策略组织进同一个 VLM Agent 框架, 让观察环境、理解目标、选择能力、执行动作、验证结果连成闭环。它引入了 VLM 目标引导的多候选轨迹选择: 动作模型先给出多种可能运动, 候选投影到图像平面后, 再按视觉目标挑出更匹配的一条, 并在执行后持续验证。该框架在 MolmoSpaces 四项任务上完成了 3915 局全量评测。
💡 MagicBrain: 让 VLA 专注动作
MagicBrain 走的是另一条路。团队在测试中发现, 抓取失败的案例多数不是动作执行不稳, 而是抓错对象或放错位置——问题出在把名词短语绑定到图像区域这一环。于是它采用 In-Context Visual Guidance:VLA 只负责生成动作, 找目标交给更擅长看图的 VLM Agent, 上层识别出的目标与放置区域以视觉标记形式注入底层观测。这一路线不依赖堆参数, 评测模型规模仅 3.4B。
📊 从“演示可用”到“产线可用”
2026 年以来,具身智能的竞争重心明显上移: 机器人的身体越来越灵活, 比拼的焦点转向“大脑”。抓取与放置是工厂分拣、仓储搬运、家庭整理都依赖的高频基础动作, 团队披露的数据显示, 抓取成功率由此前约 70% 提升到 94.4%。
🚀 行业观察: 分层协同, 比“一个模型通吃”更现实
魔法原子认可分层协同路线: 上层模型负责视觉理解、任务分解、规划决策与错误修正,底层模型把任务意图转化为可靠动作。难点在于上层的意图能否被底层准确理解, 现有动作模型在分布外场景仍会出现目标选择错误、空间约束理解偏差。
